論文の概要: AdvScan: Black-Box Adversarial Example Detection at Runtime through Power Analysis

• arxiv url: http://arxiv.org/abs/2606.27704v1
• Date: Fri, 26 Jun 2026 04:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.366309
• Title: AdvScan: Black-Box Adversarial Example Detection at Runtime through Power Analysis
• Title（参考訳）: AdvScan: パワー分析による実行時のブラックボックス逆例検出
• Abstract要約: AdvScanは、AE検出のためのランタイムパワー分析ベースの方法論である。 ブラックボックスのシナリオで動作し、最小遅延を発生させる。 AEsの99.984%を検知し、偽陰性は40、偽陽性はゼロである。
• 参考スコア（独自算出の注目度）: 0.8346232277849036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: TinyML models deployed on edge devices are increasingly adopted in safety/security-critical applications, making them a prime target for adversarial example (AE) attacks where inputs are modified to cause misclassifications. However, existing AE detection methods either require white-box model access, which is often unavailable in licensed black-box deployments, or rely on input pre-processing stages that add non-trivial latency and resource overhead, often exceeding what mission-critical applications can afford on their inference path. To address these challenges, we propose AdvScan, a runtime power analysis-based methodology for AE detection that operates in a black-box scenario while inducing minimal latency. AdvScan is based on the observation that AEs produce anomalous neuron activations, which in turn generate distinctive power-consumption signatures. The algorithm initially constructs a baseline distribution of power signatures from known benign inputs; then, at runtime, it applies a one-sample t-test to determine whether a test input's power signature significantly deviates from this baseline, thereby detecting AEs. We evaluated AdvScan using three adversarial example generation algorithms: Fast Gradient Sign Method (FGSM), Projected Gradient Descent (PGD), and Carlini-Wagner (C&W), on three MLPerf Tiny benchmark models implemented on two target devices: the STM32F303RC (ARM Cortex-M4) and STM32L562RE (ARM Cortex-M33) microcontrollers. Across 318,400 total test inputs, AdvScan detects 99.984% of AEs with only 40 false negatives and zero false positives. These results demonstrate the viability of power-based AE detection for secure, accuracy-critical TinyML deployments in black-box environments.
• Abstract（参考訳）: エッジデバイスにデプロイされるTinyMLモデルは、安全/セキュリティクリティカルなアプリケーションにますます採用されており、入力が誤分類を引き起こすように修正される敵の例(AE)攻撃のターゲットとなっている。 しかし、既存のAE検出方法はホワイトボックスモデルアクセスを必要としており、ライセンスされたブラックボックスデプロイメントでは利用できない場合が多い。 これらの課題に対処するため,我々は,最小レイテンシを誘導しながらブラックボックスシナリオで動作する,実行時電力分析に基づくAE検出手法であるAdvScanを提案する。 AdvScanは、AEsが異常ニューロンの活性化を発生させるという観察に基づいている。 このアルゴリズムは最初、既知の良性入力からのパワーシグネチャのベースライン分布を構築し、実行時に、テスト入力のパワーシグネチャがこのベースラインから著しくずれているかどうかを判定するために1サンプルのt-testを適用する。 MLPerf Tiny ベンチマークモデルである STM32F303RC (ARM Cortex-M4) と STM32L562RE (ARM Cortex-M33) の3つのマイクロコントローラ上で, 高速勾配符号法 (FGSM) , 投影勾配符号法 (PGD) およびカーリーニ・ワグナー (C&W) を用いてAdvScanの評価を行った。 318,400回の総合的なテスト入力で、AdvScanは40個の偽陰性とゼロ個の偽陽性を持つAEの99.984%を検知した。 これらの結果は、ブラックボックス環境におけるセキュアで高精度なTinyMLデプロイメントのための電力ベースAE検出の実現可能性を示している。

関連論文リスト

• Detecting Backdoors in Object Detection via Pre-NMS Prediction Distribution Shift [35.70747932100589]
  DistScanは、シンプルだが以前は明らかにされていなかった観察に基づくバックドア検出フレームワークである。 既存の手法を大幅に上回り、最高の性能のベースラインに対する平均検出精度を27.32ポイント向上させる。
  論文  参考訳（メタデータ） (2026-08-19T16:38:39Z)
• ANTMAN: An Efficient and Interpretable RTL-Level Run-Time Detection Framework for Stealthy Branch Predictor Attacks on BOOM [1.6013674661312771]
  マイクロアーキテクチャーサイドチャネル攻撃は、x86やARM ISAと比較してRISCVでは未発見のままである。 本稿では, BOOM RISC-V に対するステルス分岐予測器攻撃に対する, 安全な設計, 高い解釈性, 非侵入性, RTL レベルのランタイム検出ソリューションを提案する。
  論文  参考訳（メタデータ） (2026-08-10T12:03:09Z)
• Anywhere, Any-Stymie: Remote Activation of Trojan Malware on LiDAR with Modulated Signals [10.62010640053627]
  我々は、LiDAR検知パイプラインに埋め込まれた休息中のマルウェアが正常な動作中に不活性な未発見の攻撃面を同定する。 この脅威を運用するために,低レベルのポイントクラウド操作が可能なマルウェアを設計し,それをLiDARファームウェアに組み込む。 その結果は、LiDARセンサーの開発とデプロイメントパイプライン全体を通じて、より強固な完全性を保証する必要性を強調している。
  論文  参考訳（メタデータ） (2026-06-16T06:07:41Z)
• Semantic-Aware Advanced Persistent Threat Detection Using Autoencoders on LLM-Encoded System Logs [0.7611870296994722]
  Advanced Persistent Threats(APT)は、最も困難なサイバー攻撃のひとつだ。 従来の統計手法と浅い機械学習技術は、しばしばそれらを検出するのに失敗する。 本稿では,セマンティック埋め込みを利用した新しい異常検出手法を提案する。
  論文  参考訳（メタデータ） (2026-01-30T12:38:12Z)
• Learning to Detect Unknown Jailbreak Attacks in Large Vision-Language Models [22.796169894587475]
  攻撃特化学習からタスク特化学習へ焦点を移すことにより、未知のジェイルブレイク攻撃を正確に検出する一般的なフレームワークを提案する。 実験の結果,AUROCの未知攻撃に対する検出精度は向上し,効率は向上した。
  論文  参考訳（メタデータ） (2025-08-08T16:13:28Z)
• CANTXSec: A Deterministic Intrusion Detection and Prevention System for CAN Bus Monitoring ECU Activations [53.036288487863786]
  物理ECUアクティベーションに基づく最初の決定論的侵入検知・防止システムであるCANTXSecを提案する。 CANバスの古典的な攻撃を検知・防止し、文献では調査されていない高度な攻撃を検知する。 物理テストベッド上での解法の有効性を実証し,攻撃の両クラスにおいて100%検出精度を達成し,100%のFIAを防止した。
  論文  参考訳（メタデータ） (2025-05-14T13:37:07Z)
• Defending against Indirect Prompt Injection by Instruction Detection [109.30156975159561]
  InstructDetectorは、LLMの動作状態を利用して潜在的なIPI攻撃を特定する、新しい検出ベースのアプローチである。 InstructDetectorは、ドメイン内設定で99.60%、ドメイン外設定で96.90%の検出精度を達成し、攻撃成功率をBIPIAベンチマークで0.03%に下げる。
  論文  参考訳（メタデータ） (2025-05-08T13:04:45Z)
• DataSentinel: A Game-Theoretic Detection of Prompt Injection Attacks [87.66245688589977]
  LLM統合されたアプリケーションとエージェントは、インジェクション攻撃に弱い。 検出方法は、入力が注入プロンプトによって汚染されているかどうかを判定することを目的とする。 本研究では,迅速なインジェクション攻撃を検出するゲーム理論手法であるDataSentinelを提案する。
  論文  参考訳（メタデータ） (2025-04-15T16:26:21Z)
• Evaluation of Parameter-based Attacks against Embedded Neural Networks with Laser Injection [1.2499537119440245]
  この研究は、レーザ断層注入を用いた32ビットのCortex-Mマイクロコントローラ上で、ビットフリップ攻撃(BFA)の成功例を実際に報告した。 非現実的なブルートフォース戦略を避けるために、レーザ断層モデルを考慮したパラメータから最も敏感なビット群を選択するのにシミュレーションがどのように役立つかを示す。
  論文  参考訳（メタデータ） (2023-04-25T14:48:58Z)
• Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
  自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。 多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。 本稿では,SST(Single-stride Sparse Transformer)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T02:12:02Z)
• Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
  EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。 我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。 これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
  論文  参考訳（メタデータ） (2020-08-17T07:16:57Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。